論文の概要: Where Does the Watermark Hide? Push-Pull Disentanglement for Invisible Watermark Removal
- arxiv url: http://arxiv.org/abs/2609.31722v1
- Date: Tue, 22 Sep 2026 00:54:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 13:24:02.163441
- Title: Where Does the Watermark Hide? Push-Pull Disentanglement for Invisible Watermark Removal
- Title（参考訳）: 透かしはどこに隠されるか : 透かし除去のためのプッシュプル・アンタングルメント
- Abstract要約: 固定画像歪みは、ペア化されたクリーン画像と透かし画像から学習する攻撃者をカバーしない。
デプロイはクリーン参照もウォーターマークキーもペイロードもデコーダも使用しない。
- 参考スコア（独自算出の注目度）: 11.71645843429348
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fixed image distortions do not cover an attacker that learns from paired clean and watermarked images. We study this paired-training threat with single-image inference: deployment uses neither the clean reference nor the watermark key, payload, or decoder. An encoder maps each image to a structural latent $g$ and an auxiliary residual latent $u$. Push supervision reconstructs the watermarked image from $D(g_w,u_w)$. Pull supervision trains the zero-auxiliary output $D(A_g(g_w;k),0)$ toward the paired clean image. At $k=1.10,u=0$, the four-method sweep gives an average BER of $0.3958$, PSNR of $31.07$ dB, and SSIM of $0.9554$. Restoring $u$ from $0$ to $0.15$ moves average BER from $0.3893$ to $0.3357$, while PSNR falls from $30.99$ to $28.23$ dB. The intervention supports decoder dependence on the auxiliary input in the evaluated setting. The accompanying theory is a conditional, post-hoc account of this behavior rather than an experimentally verified information-relocation result.
- Abstract（参考訳）: 固定画像歪みは、ペア化されたクリーン画像と透かし画像から学習する攻撃者をカバーしない。
デプロイはクリーン参照もウォーターマークキーもペイロードもデコーダも使用しない。
エンコーダは、各画像を構造的遅延値$g$と補助的残留値$u$にマッピングする。
プッシュ監視は、$D(g_w,u_w)$からウォーターマークされたイメージを再構築する。
プル監督は、ペア化されたクリーンイメージに向けてゼロ補助出力$D(A_g(g_w;k),0)$を訓練する。
k=1.10,u=0$の場合、平均的なBERは0.3958$、PSNRは31.07$dB、SSIMは0.9554$となる。
平均的なBERは0.3893ドルから0.3357ドルに、PSNRは30.99ドルから28.23ドルに下げられる。
この介入は、評価された設定における補助入力へのデコーダ依存を支持する。
付随する理論は、実験的に検証された情報移動結果ではなく、条件付き、ポストホックな行動の説明である。
関連論文リスト
- Characterization of nested Walsh parity-check filters in a single-photon eight-mode register on a cloud photonic processor [0.0]
我々は,Quandelaのクラウドフォトニクスプロセッサに実装された2つのネストしたWalshパリティチェックフィルタを特徴付ける。
340,000以上の検出で、中立な入力は、残余のDCポートリークが0.02%$-$1.1%$であることを示している。
セクター保存のユニタリコアは、1から3つのアプリケーションに対して、非中立的な制御よりもはるかに低いリークを保持する。
論文 参考訳（メタデータ） (2026-06-16T19:01:47Z) - Capability and Robustness Cannot Both Be Free: An Information-Theoretic Bound for Vision-Language-Action Models [0.0]
VLA(Vision-Language-Action)モデルはクリーンな入力で高い成功率に達するが、小さな逆方向の摂動で崩壊する。
PGD攻撃は、OpenVLA-7BのLIBEROの成功を95%ドルから5%以下に下げることを示す。
任意のVLAポリシーに対して、capability $I(Astar;Api)$と robustness $I(Api;Atildepi)-I(Api;)$ sum to at least $H(Astar)+I(X;Xt)
論文 参考訳（メタデータ） (2026-05-25T14:16:57Z) - Hidden-State Privacy Has an Empty Middle [51.56484100374058]
すべてのフルランクガウス解放を$O(1)$ Fisher utility で表すと、マハラノビス信号が隠れた幅で直線的に成長する方向を認める。
スクラッチからトレーニングされたスプリットメモリトランスフォーマーは、[20, 33]$90MでG_mathrmMahに達し、固定言語損失ペナルティにおいて、30Mから1Bまでの同じ予算のGPTベースラインに対して6ドル～24ドルという優位性を維持する。
論文 参考訳（メタデータ） (2026-05-21T20:12:09Z) - A Mimetic Detector for Adversarial Image Perturbations [0.0]
敵は、クリーンな画像に小さなほとんど見えないノイズパターンを加えることで、ディープイメージ分類器を騙す。
オープンソースMOLEライブラリの高階Corbino-Castilloミメティック演算子を用いた単発無訓練検出器を用いてこれを活用する。
標準のtextttpeppers テスト画像上の検出器を標準$ellinfty$ budget $varepsilon = 16/255$で検証し、クリーンvs-逆分離を観測し、オーダー$k=2で3.55times$から単調に成長する。
論文 参考訳（メタデータ） (2026-05-12T04:09:53Z) - Unsupervised Denoising for Signal-Dependent and Row-Correlated Imaging Noise [54.0185721303932]
本稿では,行関連や信号依存の撮像ノイズを処理できる,教師なしのディープラーニングベースデノイザについて紹介する。
提案手法では,特殊設計の自己回帰デコーダを備えた変分オートエンコーダを用いる。
本手法では,事前学習した雑音モデルを必要としないため,雑音のないデータを用いてスクラッチから訓練することができる。
論文 参考訳（メタデータ） (2023-10-11T20:48:20Z) - Robust Distortion-free Watermarks for Language Models [85.55407177530746]
本稿では,自動回帰言語モデルからテキストに透かしを植え付ける手法を提案する。
言語モデルから乱数列をサンプルにマッピングすることで、透かし付きテキストを生成する。
論文 参考訳（メタデータ） (2023-07-28T14:52:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。